Loading a Dataset
例子:如何加载来自torchVision的数据集Fashion-MNIST。Fashion-MNIST是一个由Zalando的文章图像组成的数据集,包括60,000个训练示例和10,000个测试示例。 每个示例包含一个28×28灰度图像和一个来自10个类中的一个的相关标签。
参数包括:
- root:训练/测试数据存储的path
- train:数据是否用于训练
- download=True 默认为True,如果root所指示的路径下没有该数据集则从网络上下载
- transform and target_transform 指定特征及标签转换信息?
import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor()
)
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor()
)
输出信息:
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz to data/FashionMNIST/raw/train-images-idx3-ubyte.gz
Extracting data/FashionMNIST/raw/train-images-idx3-ubyte.gz to data/FashionMNIST/raw
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw/train-labels-idx1-ubyte.gz
Extracting data/FashionMNIST/raw/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz
Extracting data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz
Extracting data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw
Iterating and Visualizing the Dataset
数据集支持列表索引的方式获取图片以及标签ID,例如training_data[index]
labels_map = {
0: "T-Shirt",
1: "Trouser",
2: "Pullover",
3: "Dress",
4: "Coat",
5: "Sandal",
6: "Shirt",
7: "Sneaker",
8: "Bag",
9: "Ankle Boot",
}
figure = plt.figure(figsize=(8,8))
cols, rows = 3, 3
for i in range(1, cols*rows + 1):
#使用索引方式随机选择数据集中的图像
sample_idx = torch.randint(len(training_data), size=(1,)).item()
img, label = training_data[sample_idx]
figure.add_subplot(rows, cols, i)
#设置子图的标题、关闭坐标轴刻度
plt.title(labels_map[label])
plt.axis("off")
plt.imshow(img.squeeze(), cmap="gray")
plt.show()
Creating a Custom Dataset for your files
自定义数据集的类必须实现3个函数:init, len, getitem. 根据实现,FashionMNIST数据集中的图像存储在一个集合img_dir中,标签则单独地存储在一个csv文件annotation _file中
__init__函数在实例化Dataset对象时运行一次。 我们初始化包含图像、注释文件和两种转换的目录(下一节将详细介绍)。
def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
self.img_labels = pd.read_csv(annotations_file)
self.img_dir = img_dir
self.transform = transform
self.target_transform = target_transform
len 函数返回我们数据集中标签的数量
def __len__(self):
return len(self.img_labels)
__getitem__函数从给定索引idx的数据集中加载并返回一个示例。 根据索引,它确定图像在磁盘上的位置,使用read_image将其转换为一个张量,并从self中的csv数据中检索相应的标签。 Img_labels,调用它们上的转换函数(如果适用),并在一个元组中返回张量image和相应的标签。
def __getitem__(self, idx):
img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
image = read_image(img_path)
label = self.img_labels.iloc[idx, 1]
if self.transform:
image = self.transform(image)
if self.target_transform:
label = self.target_transform(label)
return image, label
Preparing your data for training with DataLoaders
Dataset每次检索我们数据集的特征并标记一个样本。 在训练模型时,我们通常希望“小批量”地通过样本,在每个时期重新洗洗数据以减少模型过拟合,并使用Python的多处理来加快数据检索。
from torch.utils.data import DataLoader
train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)
``from torch.utils.data import DataLoader
train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)`
## Iterate through the DataLoader
我们已经将该数据集加载到DataLoader中,并可以根据需要迭代该数据集。 下面的每次迭代都返回一批train_features和train_labels(分别包含batch_size=64个特性和标签)。 因为我们指定了shuffle=True,所以在遍历所有批次后,数据将被shuffle(对于更细粒度的数据加载顺序控制,请查看sampler)。
```python
# Display image and label.
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")
ImageFolder
torchvision.datasets.ImageFolder是一个通用的数据loader,当数据被按类划分成下面的文件夹结构时:
CLASS torchvision.datasets.ImageFolder(
root: str, #数据的根路径
transform: Optional[Callable] = None,
target_transform: Optional[Callable] = None,
loader: Callable[[str], Any] = <function default_loader>,
is_valid_file: Optional[Callable[[str], bool]] = None
)
root/dog/xxx.png
root/dog/xxy.png
root/dog/[…]/xxz.png
root/cat/123.png
root/cat/nsdf3.png
root/cat/[…]/asd932_.png
该类继承自DatasetFolder,可以针对自定义数据集使用有相同的方法,有以下成员变量:
- self.classes - 用一个list保存图片的类型名,例如[‘cat’, ‘dog’]
- self.class_to_idx - 类名以及对应的索引,例如{‘cat’:0, ‘dog’:1}
- self.imgs - 保存(img-path, class) tuple的list
即后面可以通过查看返回的数据集对象来查看相应的值